Lead Scoring là gì? Cách sử dụng AI đánh giá khách hàng tiềm năng

Lead Scoring (chấm điểm khách hàng tiềm năng) là cách xếp thứ tự ưu tiên xử lý lead dựa trên hai câu hỏi: người này có đúng đối tượng không, và họ đang quan tâm tới mức nào. Điểm số không thay sales quyết định; nó giúp cả đội nhìn thấy lý do nên liên hệ ai trước, và giúp marketing biết kênh nào đang mang về lead đáng tiền.

Doanh nghiệp nhỏ thường nghĩ Lead Scoring là việc của công ty có CRM đắt tiền. Thật ra một bảng tính với năm, sáu cột đã đủ để bắt đầu — miễn là định nghĩa rõ và được kiểm lại bằng kết quả bán hàng.

Lead, MQL, SQL và ICP khác nhau thế nào

Trước khi chấm điểm, đội marketing và sales phải dùng chung một bộ từ. Nếu marketing gọi mọi tin nhắn là “lead” còn sales chỉ coi người đã hỏi giá là lead, mọi con số sau đó đều gây tranh cãi.

ICP gần với customer persona nhưng hẹp hơn: persona mô tả con người và động cơ, ICP mô tả điều kiện để một khách đáng theo đuổi. Lead Scoring dùng ICP làm thước đo cho phần “phù hợp”.

Dữ liệu cần chuẩn bị

• Đặc điểm khách mà bạn được phép dùng: ngành, quy mô, khu vực, vai trò người liên hệ. Chỉ lấy trường thật sự cần cho quyết định.
• Hành vi: xem trang giá, tải tài liệu, đặt lịch tư vấn, trả lời tin nhắn, quay lại website nhiều lần.
• Kết quả cuối: lead đó thành cơ hội, thành khách, hay bị loại — và lý do loại. Không có cột này thì không kiểm được bảng điểm.
• Chất lượng dữ liệu: lead trùng (cùng số điện thoại ở hai kênh), trường bị bỏ trống, và ngày ghi nhận từng hành vi.

Dữ liệu lead là dữ liệu cá nhân. Doanh nghiệp cần xác định mục đích dùng, giới hạn ai được xem, và không đưa những trường không cần thiết vào bảng chấm điểm. Khung pháp lý tại Việt Nam là Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân.

Quy trình xây Lead Scoring 6 bước

Bước 1. Thống nhất định nghĩa lead, MQL và SQL

Ngồi cùng sales và viết ra thành câu: “MQL là lead thoả điều kiện A, B và có ít nhất một hành vi C”. Sau đó thống nhất việc sales làm khi nhận MQL (gọi trong bao lâu) và cách sales trả lời lại (chấp nhận thành SQL hay trả về, kèm lý do). Vòng trả lời này chính là dữ liệu để sửa bảng điểm về sau.

Bước 2. Tách điểm fit khỏi điểm engagement

Điểm fit đo mức hợp với ICP: ngành, quy mô, khu vực, vai trò. Điểm engagement đo mức quan tâm: hành vi gần đây. Giữ hai điểm riêng thay vì cộng thành một con số, vì hai lead cùng 60 điểm có thể rất khác nhau: một người đúng đối tượng nhưng chưa quan tâm (nên nuôi dưỡng bằng nội dung), một người rất hăng hái nhưng ngoài vùng phục vụ (nên từ chối lịch sự). Ma trận 2×2 fit cao/thấp × engagement cao/thấp cho bốn cách xử lý rõ ràng.

Bước 3. Bắt đầu bằng quy tắc dễ giải thích

Bảng đầu tiên nên là quy tắc cộng trừ điểm mà ai đọc cũng hiểu. Hành vi thể hiện ý định mua (đặt lịch, hỏi báo giá) được nhiều điểm; hành vi dễ tạo nhưng ít ý nghĩa (mở email, thích bài viết) được ít điểm. Nên có điểm âm: email rác, đối thủ tìm hiểu, sinh viên làm bài tập, khu vực không phục vụ. Và có giảm điểm theo thời gian: hành vi của 90 ngày trước không còn nói lên nhu cầu hôm nay.

Bước 4. Đối chiếu với kết quả bán hàng

Sau vài tuần, chia lead theo khoảng điểm và xem tỉ lệ thành SQL, thành khách ở từng khoảng. Bảng điểm tốt thì nhóm điểm cao phải chuyển đổi tốt hơn rõ rệt so với nhóm điểm thấp. Nếu không, xem lại tiêu chí nào đang được cho điểm quá tay. Cũng nhìn chiều ngược lại: những khách đã mua có điểm bao nhiêu lúc mới vào? Nếu nhiều khách thật từng bị xếp điểm thấp, bảng đang bỏ sót tín hiệu.

Bước 5. Chỉ dùng AI khi có đủ dữ liệu và cơ chế giải thích

Mô hình dự đoán khả năng mua (propensity model) học từ lịch sử lead đã có kết quả. Nó chỉ đáng tin khi có đủ nhiều lead đã chốt và đã loại, dữ liệu ghi chép nhất quán, và mô hình cho biết vì sao một lead được điểm cao. Doanh nghiệp nhỏ với vài chục khách mỗi tháng thường chưa tới ngưỡng đó; lúc này AI hữu ích hơn ở việc đọc ghi chú cuộc gọi, gom lý do bị loại, và gợi ý tiêu chí nên thêm vào bảng quy tắc.

Bước 6. Rà soát thiên lệch và hiệu quả theo thời gian

Mỗi quý xem lại: có nhóm khách nào luôn bị chấm thấp dù mua tốt không (ví dụ khách từ một tỉnh ít quảng cáo)? Có tiêu chí nào đang thay cho một đặc điểm nhạy cảm không? Thị trường, sản phẩm hay giá đổi thì trọng số cũng phải đổi theo. Ghi lại mỗi lần sửa và lý do.

Ví dụ thực hành: bảng điểm cho doanh nghiệp B2B nhỏ

Ví dụ giả định: công ty cung cấp phần mềm quản lý kho cho cửa hàng bán lẻ. Bảng điểm đầu tiên:

Quy tắc chuyển: fit ≥ 40 và engagement ≥ 25 là MQL, sales gọi trong ngày làm việc. Fit cao mà engagement thấp đi vào chuỗi nội dung nuôi dưỡng. Lưu ý dòng “mở email”: mở email nhiều lần không bao giờ tự đẩy một lead thành cơ hội bán hàng, vì trình đọc thư có thể tự tải email và làm sai số lượt mở.

AI làm được gì, không làm được gì

Sai lầm thường gặp

• Cho điểm cao hành vi dễ tạo nhưng ít ý nghĩa như thích trang, mở email, xem một bài blog.
• Dùng dữ liệu nhạy cảm không cần thiết — tuổi, giới tính, thông tin gia đình hiếm khi quyết định khả năng mua B2B.
• Không giảm điểm khi tín hiệu đã cũ, khiến danh sách “nóng” đầy người đã quên bạn.
• Không có vòng phản hồi từ sales, nên bảng điểm không bao giờ được sửa.
• Đo marketing bằng số MQL thay vì số SQL và doanh thu — xem thêm đo lường hiệu quả marketing bằng AI.

Câu hỏi thường gặp